成立僅2月，這家AI初創公司種子輪融資33億，貝索斯也出手了

作者丨馮汝梅

編輯丨關雎

人工智能賽道又一個驚人融資事件誕生。

2025年12月8日，由前Databricks人工智能主管Naveen Rao創立僅兩個月的AI神經形態計算芯片初創公司——Unconventional AI，在種子輪融資中籌集了4.75億美元（約合33億元），投后估值飆升至45億美元（約合318億元）。這一融資規模不僅遠超常規種子輪水平，甚至超過多數初創企業的C輪融資，創下AI芯片領域早期融資紀錄之一。

此次融資由Andreessen Horowitz（a16z）和Lightspeed Venture Partners共同領投，其他投資者包括Lux Capital和DCVC。Rao的前雇主Databricks以及亞馬遜創始人杰夫·貝索斯（Jeff Bezos）也參與了本輪投資。Rao本人也按與其他投資者相同的條款投資了1000萬美元。

值得注意的是，這筆融資還只是Unconventional AI更大規模融資計劃的第一步。根據Rao透露，公司計劃后續融資總額可能高達10億美元。

作為一家尚無產品、成立僅數周的初創公司，Unconventional AI的核心競爭力首先源于其豪華的創始團隊。公司由Rao牽頭創立，聯合創始人包括麻省理工學院副教授Michael Carbin、斯坦福大學助理教授Sara Achour以及前谷歌工程師MeeLan Lee。他們的背景覆蓋硬件、軟件和神經科學領域，為技術從理論到落地構建了完整能力鏈條。

Unconventional AI聯合創始人（從左至右）：Sara Achour、Naveen Rao、MeeLan Lee 和 Michael Carbin ，圖源：Lightspeed Venture Partners官網

硅谷AI芯片發展的見證者

Rao對AI計算的探索始于25年前。9歲時，他便對類腦計算產生濃厚興趣，通過觀察動物行為來思考大腦的信號轉化機制。這一興趣貫穿了他的學術生涯：1997年，他從杜克大學畢業，2011年獲得美國布朗大學神經科學博士學位，博士后期間則專注于大腦信息編碼研究，為日后轉向人工智能領域奠定了神經科學基礎。

博士畢業后，Rao加入高通擔任神經形態研究員。但因高通當時的戰略更側重于智能低功耗計算，而非深度神經網絡，且公司拒絕將其研究成果產品化，他于2014年選擇離職，并由此開啟了他的創業歷程。

事實已經證明，Rao是一位成功的連續創業者，他的創業履歷幾乎是硅谷AI芯片發展的縮影。

Naveen Rao

Rao的第一次創業是在2014年。當時他與Uber首席執行官的堂兄弟Amir Khosrowshahi、布朗大學的博士同學Arjun Bansal聯合創立了AI芯片公司Nervana Systems。Nervana 的核心產品是一款專為神經網絡設計的處理器，旨在通過自定義架構加速 AI 訓練過程。

在AI尚未成為行業風口的當時，Nervana的前瞻性布局吸引了投資者的目光。公司在成立兩年內迅速完成了三輪共超過2400萬美元的融資，主要投資方包括DFJ、Data Collective、Lux Capital等風投機構，以及“安卓之父”安迪·魯賓（Andy Rubin）的孵化器Playground Global。

2016年，成立僅兩年的Nervana被英特爾以約4億美元的價格收購。此次收購讓Rao進入英特爾高層，他擔任Nervana團隊的領導者，推動英特爾在AI芯片領域的布局。

收購后，Rao在英特爾工作了數年，主導了多項AI芯片項目，但很快他再次選擇創業。2021年初，他聯合前同事在硅谷創立MosaicML，聚焦生成式AI工具平臺，為企業提供大語言模型訓練與部署服務，降低了AI開發的門檻。盡管團隊僅約60人，但憑借技術優勢快速崛起，在被收購前的最后一輪融資后，其估值已達2.22億美元。

2023年6月，Databricks宣布以13億美元的全現金交易收購MosaicML，Rao隨即加入Databricks擔任AI負責人。在那里，他領導了多項生成式AI工具的開發，包括優化Spark框架對Transformer模型的支持。

這些經歷讓Rao積累了從硬件設計到軟件生態的全棧能力，也讓他親身感受到傳統GPU在AI擴展中的局限性：能源消耗過高，無法支撐萬億參數模型的持續迭代。盡管前兩次創業的成功出售，解決了特定階段的問題，但未能觸及他心目中AI算力挑戰的核心。

無論是被英特爾收購的Nervana，還是成為Databricks一部分的MosaicML，其技術演進仍被框定在現有的數字計算范式之內。而Rao越來越確信，要突破能效墻，必須進行更底層的革新。

2025年10月，Rao離開Databricks，組建Unconventional AI。他將公司定位為“下一代數字計算機”的開發者，借鑒神經科學原理設計模擬芯片。這一決定并非突發奇想，而是基于他過去十年觀察：AI訓練的電力需求已接近全球數據中心總能耗的2%，而目前英偉達主導的GPU架構難以從根本上緩解這一問題。

開發比傳統GPU更高效的模擬計算芯片

Unconventional AI的核心是重新設計AI計算的底層硬件架構，開發專為人工智能工作負載優化的高能效模擬計算芯片及完整配套系統。這一愿景的顛覆性，在于其對當前AI算力發展路徑的反思與重構。

過去幾年，整個行業普遍信奉“擴展定律”（Scaling Laws），認為更多的計算能力、數據和更大的模型將直接帶來AI能力的飛躍。但Rao指出，若需求持續增長，計算資源和能源供應將面臨難以逾越的瓶頸。

問題的根源在于，當前驅動AI的GPU等數字芯片，其精確、確定性的計算方式，與AI任務本身概率性、非確定性的本質并不完全匹配，從而造成了巨大的能效浪費。

對此，Unconventional AI的解決方案是雙管齊下的“非常規”路徑：

向生物智能尋求終極能效藍圖。公司的靈感來源于一個簡單對比：人腦能夠完成極其復雜的工作，而功耗僅約20瓦，相當于一個昏暗燈泡的能耗。Unconventional AI的目標并非復制人腦，而是借鑒其高效利用能量的原理，追求“生物規模的能源效率”。

重拾模擬計算路徑，發揮半導體固有物理特性優勢。當整個行業都在追求更強大的數字芯片時，Unconventional AI正在走一條不同于主流AI芯片的技術道路。它將目光投向了數字計算興起之前的“模擬計算”。

數字計算機基于經典的馮·諾依曼架構，其精確、確定性的計算方式與AI隨機、概率性的本質并不完全匹配。Rao也指出，早期的模擬計算機（如ENIAC）非常高效，只是受限于當時制造工藝的不穩定性而無法擴展。

Unconventional AI則探索利用半導體材料本身的物理特性來直接進行計算，如同用風洞模擬氣流繞過飛機一樣，讓物理系統直接“成為”計算本身。

圖源：Unconventional AI

Rao認為：“模擬本質上仍然更高效。你實際上是在利用底層介質的物理特性進行計算。”這一方法的核心優勢在于，能顯著降低能源消耗，同時提升計算的適應性，使計算機在處理AI任務時更高效——通過模擬生物般的概率計算，芯片能更自然地處理不確定性數據，實現更高效的推理和訓練過程，而非依賴高功耗的數字精確性。

Unconventional AI的技術路線圖既雄心勃勃又務實。公司計劃花費五年時間開發一種新型模擬芯片。Rao透露，第一個原型芯片“很可能是有史以來最大的模擬芯片之一”。

在研發策略上，公司采取了開放探索的態度。Rao明確表示，未來幾年將測試一系列想法和原型，以確定最高效、最具可擴展性的范式。這種探索不僅需要工程師，還需要能夠思考如何構建耦合系統的理論家。

與追求快速商業化的初創公司不同，Unconventional AI專注于長期的基礎研究，目標是成為一家真正的系統公司。目前公司仍處于一個“正在進行中的原型設計和驗證”階段，且短期內預計不會有產品上市。其商業模式建立在徹底改變AI計算基礎設施的愿景之上——如果成功，將可能從芯片設計、計算架構到能源模式，全方位顛覆現有硬件生態。

Neo-Lab熱潮下的資本邏輯

過去近十年，AI領域的重大突破主要由少數Frontier Lab（前沿實驗室）推動。以OpenAI、DeepMind和Anthropic等為代表，它們依托數百億美元資本與海量算力，遵循“擴展定律”（Scaling Laws），通過擴大數據與模型規模提升通用AI能力。這一范式雖成果顯著，如GPT-4的推理躍升，但也暴露高成本、高能耗與路徑趨同等問題。

2025年7月的一項元分析研究對部分下游任務的縮放實驗進行了系統復現和驗證，結果顯示：在可驗證的實驗中，僅39%的任務表現出穩定的線性縮放關系，其余61%呈現非線性、非單調或完全不可預測的行為。此外，多項研究已確認“逆擴展現象”（inverse scaling）：模型規模增大后，部分任務性能反而下降，這與擴展定律的經典假設直接矛盾。

英偉達CEO黃仁勛在2025年3月GTC大會上也表示，過去一年，幾乎全世界都誤判了擴展定律。其彈性遠超預期，甚至出現超加速現象。但單純靠堆算力、堆電力的傳統路徑已經走到極限。他強調，未來必須轉向推理強化、代理式AI和合成數據等更高效的迭代方式。

行業共識也在逐漸形成：擴展定律本身沒有失效，但“只靠規模”的單一路線已不可持續。

于是，當規模擴張的瓶頸日益明顯時，一種名為“Neo-Lab”（新生代實驗室）的新研發范式開始興起。所謂“Neo-Lab”，指的是一批從OpenAI、DeepMind、Anthropic等AI巨頭出走的頂尖研究員創立的、專注于高風險長周期基礎研究的新型實驗室。

它們的共同特點是：創始人履歷顯赫，研究方向大膽甚至看似天方夜譚（如情感智能、AI社會、自動化科學家），沒有成熟產品甚至沒有明確營收路徑，卻在種子輪就能斬獲數十億乃至數百億美元的估值。它們不再追逐規模競賽，轉而探索智能本質、神經形態計算或高效推理等基礎方向，試圖從根源上重構AI發展路徑。

而Unconventional AI正是身處這樣一場席卷硅谷的Neo-Lab資本熱潮之中。類似的企業還有，前OpenAI首席科學家Ilya Sutskever創立的SSI（Safe Superintelligence Inc.），專注于安全超智能研究，至今未發布任何公開產品，但估值高達320億美元。前OpenAI CTO Mira Murati創立的Thinking Machines Lab，在僅推出一個初步開發者工具“Tinker”的情況下，估值已達100億美元。

在這種背景下，Unconventional AI的45億美元估值便不難理解。資本押注的已不是短期的產品路線圖或財務報表，而是創始人Rao及其團隊本身——更具體地說，是Rao那被兩次成功創業驗證的卓越判斷力與執行力，以及該團隊挑戰行業根本問題的抱負。

Unconventional AI投資方a16z在官方博客《Investing in Unconventional》中直言，他們投資的是“一家旨在為人工智能構建更高效計算基礎的公司”。

這種邏輯意味著，像Rao這樣擁有連續成功創業履歷的創始人，其信用本身已成為一種硬通貨。資本用巨額資金購買的，是他們“用履歷兌換一個不一樣未來”的可能。在這個賽道，傳統商業邏輯或已暫時失效，取而代之的是一場基于創始人認知與聲譽的押注。

Unconventional AI的項目才啟動兩個月，其技術路線是否能在五年內實現量產、最終能否改變AI基礎設施的能耗結構，仍需后續驗證。但這輪巨額融資本身已表明：在擴展定律邊際效應遞減、電力成為新瓶頸的背景下，市場或許更愿意為系統級、基礎性的計算創新支付高額溢價。